PREPRINT: Kutumia Afya ya Kidijitali na Ujifunzaji wa Mashine kwa Ugunduzi wa Mapema wa Matatizo ya Shinikizo la Damu wakati wa Ujauzito: Mafunzo kutoka maeneo yenye rasilimali chache, Tanzania

Kutumia Afya Dijitali na Ujifunzaji wa Mashine katika Ugunduzi wa Mapema wa Matatizo ya Shinikizo la Damu Wakati wa Ujauzito: Mafunzo kutoka Maeneo yenye Rasilimali Chache Tanzania

Tazama makala kamili

Muhtasari wa Utafiti

Utafiti huu ulichunguza jinsi data za kawaida za ANC za kidijitali na ujifunzaji wa mashine zinavyoweza kusaidia utambuzi wa mapema wa wanawake walio katika hatari ya matatizo ya shinikizo la damu wakati wa ujauzito (HDP) nchini Tanzania.

Matatizo ya shinikizo la damu, ikiwemo shinikizo la damu la ujauzito, pre-eclampsia, na eclampsia, ni miongoni mwa visababishi vikuu vya matatizo kwa mama na mtoto mchanga. Utambuzi wa mapema ni changamoto kubwa hasa katika maeneo yenye rasilimali chache, ambapo vituo vya afya vinaweza kukabiliwa na uhaba wa watoa huduma wenye ujuzi, uwezo mdogo wa uchunguzi, idadi kubwa ya wagonjwa, na kumbukumbu za kitabibu zisizo kamili.

Watafiti walichambua kumbukumbu za kawaida za ANC zilizokusanywa kupitia Mfumo Unganishi wa Jamii (Unified Community System - UCS) wa Tanzania, jukwaa la afya la kidijitali linaloendeshwa na serikali linalotumika kunasa taarifa za afya za kila mtu katika ngazi ya vituo vya afya na jamii.

Seti ya awali ya data ilikuwa na ziara 337,027 za ANC zilizorekodiwa kati ya mwaka 2020 na 2024. Baada ya kumbukumbu za ziara zilizorudiwa kuunganishwa, seti ya data iliwakilisha wanawake wajawazito 187,438.

Vipimo vitano vya ujifunzaji wa mashine vilitathminiwa: K-Nearest Neighbours, Logistic Regression, Support Vector Machine, Random Forest, na Extreme Gradient Boosting (XGBoost). XGBoost ilionyesha ufanisi mkubwa zaidi katika uthibitishaji mtambuka (cross-validation) na ilichaguliwa kwa ajili ya modeli ya mwisho ya utabiri wa hatari.

Modeli hiyo iliundwa kama chombo cha kusaidia maamuzi ya kitabibu na kupanga hatari. Lengo lake lilikuwa kusaidia watoa huduma za afya kutambua wanawake ambao huenda wakahitaji kupimwa upya shinikizo la damu, tathmini ya ziada ya kitabibu, uchunguzi wa maabara, ufuatiliaji wa karibu zaidi, au rufaa.

Data na Uundaji wa Modeli

Utafiti ulitumia vigezo vya afya ya uzazi vilivyokusanywa kwa kawaida vinavyopatikana katika moduli ya ANC ya UCS. Hivi vilijumuisha umri wa ujauzito, shinikizo la damu la juu (systolic) na la chini (diastolic), uzito, urefu, kipimo cha uzito wa mwili (BMI), protini kwenye mkojo, sukari kwenye mkojo, sukari kwenye damu, joto la mwili, aina ya damu, hali ya kaswende, na namba ya ziara ya ANC.

Kumbukumbu za ziara zilizorudiwa za ANC zilibadilishwa kuwa kumbukumbu moja kwa kila mwanamke. Baadhi ya vigezo, ikiwemo shinikizo la damu, uzito, BMI, sukari ya damu, na joto la mwili, vilifupishwa kwa kutumia thamani za wastani. Umri wa ujauzito uliwakilishwa kwa thamani ya juu zaidi iliyorekodiwa, wakati thamani za hivi karibuni zilihifadhiwa kwa vigezo vilivyochaguliwa vya maabara na ziara.

Kwa kuwa matatizo ya shinikizo la damu hayakuwa yakiandikwa kwa uthabiti kama utambuzi wa kitabibu uliothibitishwa katika seti ya data ya kawaida, utafiti ulipata matokeo kutokana na vipimo vilivyorekodiwa vya shinikizo la damu.

Mwanamke aliainishwa kuwa katika hatari ya HDP iwapo shinikizo lake la damu la systolic lilikuwa 140 mmHg au zaidi na/au shinikizo la diastolic lilikuwa 90 mmHg au zaidi. Kumbukumbu zilizokuwa chini ya viwango vyote viwili ziliainishwa kuwa hazina hatari iliyotambuliwa.

Seti ya data yenye uwiano sawa iliundwa kwa kutumia kumbukumbu 1,894 zilizoainishwa kuwa katika hatari na kumbukumbu 1,894 zilizoainishwa kuwa si katika hatari. Data hizo ziligawanywa katika seti za mafunzo na upimaji, na algoriti tano za uainishaji zililinganishwa kupitia uthibitishaji mtambuka.

Matokeo Muhimu

Modeli ya XGBoost ilipata alama ya juu zaidi ya uthibitishaji mtambuka miongoni mwa mbinu tano za ujifunzaji wa mashine zilizotathminiwa na ilichaguliwa kwa ajili ya kutumika kwenye seti huru ya data.

Modeli ya mwisho ilitumika kwenye kumbukumbu za ziada 120,232 za ANC zilizopatikana kutoka kwenye kanzidata kuu ya UCS. Ilipata usahihi wa jumla wa takriban 91%.

Kwa kumbukumbu zilizoainishwa kuwa katika hatari ya HDP, modeli ilipata kiwango cha uwezo wa kubaini (recall/sensitivity) cha 100%. Hii ina maana kwamba ilitambua kumbukumbu zote zilizokidhi tafsiri ya hatari iliyotokana na shinikizo la damu katika seti ya data ya uthibitishaji.

Usahihi wa modeli kwa kundi la hatari ulikuwa 14%, ikiwa na alama ya F1 ya 0.24. Usahihi huo mdogo unaonyesha kuwa kumbukumbu nyingi zilizobainishwa na modeli hazingekidhi tafsiri ya HDP iliyotokana na utafiti huu na hivyo zingehitaji tathmini ya ziada ya kitabibu.

Ufanisi huu unaonyesha mkabala wa uchunguzi wenye uwezo wa kubaini kwa makusudi. Katika huduma za afya ya uzazi, kutomtambua mwanamke mwenye hali ya shinikizo la damu inayoweza kuwa hatari kubwa kunaweza kuwa na madhara zaidi kuliko kumpeleka mwanamke kwenye tathmini ya ziada ambayo baadaye inathibitisha kuwa hana shinikizo la damu.

Modeli ilipata Eneo Chini ya Mkondo wa Receiver Operating Characteristic (AUC-ROC) la 0.95, likionyesha uwezo mkubwa wa kutofautisha kati ya kumbukumbu zilizoainishwa kuwa katika hatari na zile zisizo katika hatari.

Ilipotumika kwenye seti huru ya data, modeli ilibainisha kumbukumbu 12,603 kuwa zinaweza kuwa katika hatari ya matatizo ya shinikizo la damu. Tahadhari hizi hazipaswi kufasiriwa kama utambuzi uliothibitishwa. Badala yake, zinabainisha wanawake ambao huenda wakanufaika na upimaji upya, mapitio ya kitabibu, uchunguzi zaidi, au rufaa.

Vigezo Muhimu vya Utabiri

Shinikizo la damu la systolic na diastolic vilikuwa michango mikubwa zaidi katika utabiri wa modeli. Hili lilitegemewa kwa sababu tafsiri ya matokeo ya utafiti huu ilitegemea moja kwa moja viwango vya shinikizo la damu.

Vigezo vingine vilichangia kwa kiwango kidogo zaidi katika uainishaji wa hatari. Hivi vilijumuisha kipimo cha uzito wa mwili (BMI), protini kwenye mkojo, na sukari kwenye damu. Joto la mwili na hali ya kaswende viliathiri kwa kiasi kidogo utabiri wa mwisho.

Kuhusishwa kwa vigezo vingi vilivyokusanywa kwa kawaida kunaonyesha jinsi ujifunzaji wa mashine unavyoweza kuunganisha vipande kadhaa vya taarifa za kitabibu wakati wa kutoa tahadhari ya hatari. Hata hivyo, modeli haichukui nafasi ya taratibu zilizowekwa za utambuzi wa shinikizo la damu la ujauzito, pre-eclampsia, au eclampsia.

Matumizi ya Huduma za ANC

Utafiti pia ulibaini mapungufu muhimu katika uendelevu wa huduma za ANC. Zaidi ya nusu ya ziara zote za ANC zilizorekodiwa zilikuwa ziara za kwanza, na ni sehemu ndogo tu ya wanawake waliokuwa na mawasiliano manne au zaidi yaliyoandikwa.

Baada ya kumbukumbu zilizorudiwa kuunganishwa, takriban 43% ya wanawake walikuwa na ziara moja tu iliyorekodiwa ya ANC, wakati karibu 6% walikuwa na ziara nne au zaidi. Wastani wa umri wa ujauzito uliorekodiwa wakati wa mahudhurio ya ANC ulikuwa takriban wiki 24.

Mahudhurio machache ya kurudia yanapunguza fursa kwa watoa huduma za afya kufuatilia mabadiliko ya shinikizo la damu, protini kwenye mkojo, dalili za mama, ukuaji wa mtoto tumboni, na viashiria vingine katika kipindi chote cha ujauzito. Chombo cha kidijitali cha kupanga hatari kinaweza hivyo kuwa na manufaa hasa pale ambapo taarifa chache tu za mgonjwa zinapatikana, ingawa hakiwezi kuchukua nafasi ya huduma sahihi za ufuatiliaji.

Athari kwa Mfumo wa Afya

Utafiti unaonyesha kuwa data za afya za kawaida za serikali zinaweza kusaidia uundaji wa zana za ujifunzaji wa mashine kwa ajili ya afya ya uzazi, hata katika maeneo yenye rasilimali chache.

Kuunganisha utabiri wa hatari katika UCS kunaweza kusaidia watoa huduma za afya kuweka kipaumbele kwa wanawake wanaohitaji mapitio ya haraka, upimaji upya wa shinikizo la damu, upimaji wa protini kwenye mkojo, tathmini ya dalili, ufuatiliaji wa karibu zaidi, au rufaa kwenda ngazi ya juu ya huduma.

Zana kama hizi zinaweza kuwa na manufaa katika kliniki za ANC zenye shughuli nyingi ambapo idadi ya wagonjwa inazidi nguvu kazi ya kitabibu iliyopo. Kuweka vipaumbele kwa msingi wa hatari kunaweza kusaidia matumizi bora zaidi ya muda mdogo wa wafanyakazi na rasilimali za uchunguzi.

Hata hivyo, utekelezaji unapaswa kuambatana na miongozo dhahiri ya kitabibu. Kila tahadhari inapaswa kupelekea hatua stahiki, kama vile uthibitishaji wa kipimo cha shinikizo la damu, tathmini ya maumivu makali ya kichwa au matatizo ya kuona, upimaji wa protini kwenye mkojo, mapitio ya kitabibu, matibabu, au rufaa.

Modeli hii haipaswi kutumika peke yake kutambua pre-eclampsia au matatizo mengine ya shinikizo la damu. Utambuzi wa kitabibu unahitaji uthibitisho kutoka kwa watoa huduma za afya waliopata mafunzo kwa kutumia taarifa kamili za kitabibu na miongozo ya kitaifa iliyowekwa.

Ubora wa Data na Changamoto za Utekelezaji

Utafiti ulibaini udhaifu muhimu katika data za kawaida za ANC. Matatizo ya shinikizo la damu hayakuwa yakirekodiwa kwa uthabiti kwa kutumia sehemu sanifu ya utambuzi, na dalili kadhaa muhimu za kitabibu na viashiria vya hatari mara nyingi vilikuwa havipo.

Kwa kuwa utambuzi wa HDP uliothibitishwa kitabibu haukupatikana, watafiti walipata hali ya hatari kutokana na thamani za shinikizo la damu la systolic na diastolic. Ingawa viwango hivi ni muhimu kitabibu, mkabala huu unapunguza uwezo wa modeli kutofautisha kati ya shinikizo la damu sugu, shinikizo la damu la ujauzito, pre-eclampsia, na visa vya pekee vya vipimo vya juu vya shinikizo la damu.

Hali ya kihistoria na isiyotambulisha utambulisho wa seti ya data pia iliwazuia watafiti kufanya ufuatiliaji wa mtu binafsi, kupitia faili kamili za kitabibu, au kuthibitisha matokeo ya ujauzito baada ya modeli kutoa utabiri wa hatari.

Kwa hiyo, upanuzi wenye mafanikio utahitaji uboreshaji wa ukamilifu wa data, istilahi sanifu za kitabibu, uandikaji thabiti wa viashiria vya hatari kwa mama, utambulisho imara zaidi wa wagonjwa katika ziara mbalimbali, na mifumo ya kuunganisha tahadhari za hatari na tathmini na matokeo ya kitabibu yanayofuata.

Watoa huduma za afya pia watahitaji mafunzo, usimamizi shirikishi, vifaa vya kidijitali vinavyotegemewa, mtandao wa intaneti, msaada wa kiufundi, na uwajibikaji dhahiri wa kujibu tahadhari zinazotolewa na modeli.

Hitimisho

Utafiti huu unaonyesha uwezekano wa kuunganisha kumbukumbu za kidijitali za ANC na ujifunzaji wa mashine kusaidia utambuzi wa mapema wa wanawake walio katika hatari ya matatizo ya shinikizo la damu wakati wa ujauzito nchini Tanzania.

Modeli ya XGBoost ilipata uwezo mkubwa wa kutofautisha kwa ujumla na kiwango cha juu sana cha uwezo wa kubaini, hivyo kuifanya kuwa na manufaa kama chombo cha uchunguzi kinacholenga usalama. Hata hivyo, usahihi wake mdogo unamaanisha kuwa tahadhari za modeli lazima zifuatiwe kila wakati na uthibitishaji stahiki wa kitabibu.

Kwa hiyo, ujifunzaji wa mashine unapaswa kutekelezwa kama chombo cha kusaidia maamuzi kinachokamilishana, badala ya kuchukua nafasi, na watoa huduma za afya. Thamani yake iko katika kusaidia timu za kitabibu kuweka kipaumbele kwa wanawake ambao huenda wakahitaji tathmini ya ziada katika maeneo yenye wafanyakazi na rasilimali za uchunguzi chache.

Kabla ya utekelezaji mpana zaidi, modeli hii inapaswa kupitia uthibitishaji wa kitabibu wa kimatarajio kwa kutumia utambuzi uliothibitishwa na matokeo ya ujauzito. Utekelezaji wa majaribio unapaswa pia kutathmini mzigo wa kazi, mifumo ya rufaa, usimamizi wa tahadhari, ufanisi wa gharama, usalama wa mgonjwa, ukubalikaji, na usawa.

Kwa mifumo imara zaidi ya data, uongozi wa kitabibu unaofaa, na uunganishaji makini katika taratibu za kawaida za kazi, afya dijitali na ujifunzaji wa mashine vinaweza kusaidia Tanzania kuboresha ugunduzi wa hatari kwa mama na kutumia vizuri zaidi rasilimali chache za huduma za ANC.

Taarifa za Uchapishaji

Toleo la awali (preprint) lilichapishwa kwa mara ya kwanza mwaka 2025 katika jarida la VeriXiv. Lilichunguza matumizi ya data za kawaida za kidijitali za ANC kutoka Mfumo Unganishi wa Jamii wa Tanzania kwa ajili ya kuunda na kujaribu modeli ya ujifunzaji wa mashine ya kutambua wanawake walio katika hatari ya matatizo ya shinikizo la damu wakati wa ujauzito.

Kazi hii ilifanywa na watafiti kutoka Prime Health Initiative Tanzania, Ifakara Health Institute, Wizara ya Afya, ofisi ya serikali inayohusika na tawala za mikoa na serikali za mitaa, Chuo Kikuu cha Dodoma, na Sekretarieti ya Afya ya Mkoa wa Geita.

Mradi huu ulifadhiliwa na Gates Foundation kupitia mpango wa Grand Challenges chini ya Kitambulisho cha Uwekezaji INV-046249.

Rejea inayopendekezwa:
Lyatuu I, Mwanga E, Kulindwa Y, et al. Harnessing Digital Health and Machine Learning for Early Detection of Hypertensive Disorders in Pregnancy: Insights from low-resource settings, Tanzania. VeriXiv. 2025;2:158. doi:10.12688/verixiv.1245.1.